AI Engineer (m/f/d)

Was diese Rolle beinhaltet: KI ist im deutschen Mittelstand angekommen. Der Abstand zwischen einer überzeugenden Demo und einem System, dem eine Abteilung jeden Tag vertraut, ist noch groß – und wird durch Arbeit geschlossen, die fast niemand richtig macht: zu definieren, was "gut" konkret bedeutet, das System darauf auszurichten, zu messen, ob es funktioniert, und iterativ zu verbessern, bis es hält. Das ist Ihre Aufgabe: Sie beginnen nicht bei null. Sie erhalten in der Regel einen realen Ausgangspunkt, oft einen goldenen Datensatz aus der Abteilung eines deutschen Mittelstandsunternehmens: reale Fälle, jeder mit dem Ergebnis, das ein erfahrener Experte liefern würde. Ihre Aufgabe ist es, ein System zu bauen, das dieses Ergebnis zuverlässig erreicht, es in den Arbeitsalltag der Menschen durch eine tatsächlich nutzbare Schnittstelle zu bringen und nachweisen zu können, dass es funktioniert.

Aufgaben: Sie arbeiten typischerweise parallel an zwei bis drei Kundenprojekten. 80% Aufbau: Der Kern der Rolle. Ableitung einer verteidigbaren Definition von "korrekt" aus Referenzdaten und Aufbau einer Evaluierung, die dies misst. Entwurf und Aufbau des KI-Systems selbst: Modell- und Anbieterwahl, Kontext- und Prompt-Design, strukturierte Ausgaben, Tool-Aufruf, Agenten-/Workflow-Logik, Abruf, wo es seinen Platz verdient – und deterministische Logik, wo ein LLM nicht benötigt wird. Durchführung von Fehleranalysen und gezielte Iteration statt Raten – und Nachweis der Verbesserung. Aufbau von Sicherheitsvorkehrungen, Eskalationspfaden und Monitoring, damit das System nicht laut und selbstbewusst ausfällt. Aufbau der Produktionsschnittstelle, die dazu gehört: Überprüfungsbildschirme, Genehmigungen, Mensch-in-der-Schleife – in Next.js und TypeScript, kein Wegwerfprototyp. Rollout der Lösung und deren Betrieb + Verbesserung, während sich die KI weiterentwickelt. 20% Kommunikation: Überwiegend intern. Erfassen und Weitergeben Ihres Status auf strukturierte Weise: was gebaut wurde, was gemessen wurde, was noch offen ist – schriftlich, ohne dass jemand fragen muss. Erklären komplexer technischer Angelegenheiten, sodass der Projektleiter und Kollegen ohne KI-Hintergrund auf einer soliden Basis entscheiden können. Frühzeitig Fragen, Blockaden und falsche Annahmen aufwerfen, anstatt sie bis zur nächsten Besprechung zu sammeln. Gelegentlich selbst ein Ergebnis beim Kunden demonstrieren oder erklären. Ihr Standard ist nicht "es ist gebaut". Ihr Standard ist: es ist nachweislich gut, es wird genutzt und es schafft echten Wert für den Kunden.

Was diese Rolle nicht ist: Drei Grenzen, die alle existieren, um Ihre Bauzeit zu schützen. Sie besitzen den Kunden nicht. Die Beziehung, die Workshops und die Gespräche mit dem Management liegen beim Projektleiter. Sie sehen Kunden gelegentlich – wenn ein Ergebnis demonstriert oder erklärt werden muss – nicht wöchentlich. Sie leiten das Projekt nicht – und es wird geleitet. Wir arbeiten mit strukturiertem Projektmanagement: Umfang und Fristen sind im Voraus definiert und aktiv verwaltet, sodass Sie wissen, was Sie liefern und bis wann, und Ihre Arbeit planbar bleibt, anstatt alles zu absorbieren, was sich diese Woche verschoben hat. Sehr wenig Ticket-Boards, keine Arbeitsprotokolle, keine Statuslisten auf Ihrer Seite. Was wir brauchen: dass Ihr Status für alle anderen jederzeit lesbar ist, ohne dass jemand fragen muss. Sie arbeiten nicht innerhalb der Infrastruktur unserer Kunden – keine SAP-Anpassungen, keine Systemadministration, keine Legacy-Integration als Ihre Hauptarbeit.

Ihre ersten 90 Tage: Wochen 1–3: Sie arbeiten in zwei laufenden Projekten, lernen unseren Stack und unsere Evaluierungspraxis kennen und übernehmen Ihren ersten KI-Anwendungsfall. Wochen 4–8: Sie besitzen einen vollständigen Anwendungsfall – vom Referenzdatensatz über die Evaluierungen bis zur Produktionsschnittstelle – und dokumentieren Ergebnisse und Messungen, sodass der Projektleiter sie ohne Sie vertreten kann. Nach drei Monaten: Sie bauen Ihre Anwendungsfälle unabhängig, entscheiden über Ansatz und Umfang und sind die Person im Projektteam, die technische Themen für alle anderen übersetzt.

Anforderungen: Wichtig: Sie haben eine KI-Lösung entwickelt, die echte Benutzer in der Produktion verwendet haben – nicht nur ein Prototyp, nicht nur ein Konzept. Sie wissen, wie man Produktions-LLM-Systeme entwickelt: Kontext- und Prompt-Design, Modellauswahl, strukturierte Ausgaben, Tool-Aufruf, Fehlerbehandlung, Latenz-/Kostenabwägungen – und Sie wissen, wann eine deterministische Komponente besser ist als ein LLM. Sie arbeiten evaluierungsgetrieben: Sie definieren im Voraus, was ein gutes Ergebnis ist, messen systematisch und versenden nicht nach Bauchgefühl. Ob das auf Langfuse, Promptfoo, Arize Phoenix oder Ihrer eigenen Tabelle läuft, bleibt Ihnen überlassen; dass Sie es überhaupt tun, ist entscheidend. Sie haben ein System aufgebaut, in dem KI-Agenten Aufgaben planen und ausführen: Tool-Aufruf, strukturierte Ausgaben, Mensch-in-der-Schleife. Sie bauen Frontends für die Produktion: React und Next.js (App Router, Server Components), TypeScript. Nicht nur Demos, sondern auch Fehlerzustände, Berechtigungen und die Stellen, an denen Prototypen scheitern. Sie können Ihre eigene Lösung bereitstellen und betreiben: Docker, Bereitstellung, Logging, Kostenkontrolle. Sie können ein komplexes technisches Thema so erklären, dass jemand ohne KI-Hintergrund danach fundiert entscheiden kann – sowohl schriftlich als auch im Gespräch. Sie arbeiten intern strukturiert: Ihr Status, Ihre Messungen und Ihre offenen Punkte sind dokumentiert und auffindbar, ohne dass jemand Sie verfolgen muss. Coding-Agenten (Claude Code, Cursor) als Teil Ihrer täglichen Arbeit. Englisch auf Arbeitsebene. Die Arbeitssprache in dieser Rolle ist Englisch, was Slack, Meetings, Code, PRs und die dazugehörigen Dokumentationen umfasst. Sie können in Deutschland Vollzeit arbeiten. Ein Studentenvisum mit Tageslimit deckt diese Rolle nicht ab. 3+ Jahre Berufserfahrung in Lieferprojekten. Hochwertiges Deutsch. Unsere Kunden sind der deutsche Mittelstand, und die gelegentliche Demo dort läuft auf Deutsch. Ohne dies übernimmt der Projektleiter diesen Teil – aber es erleichtert das Leben, für Sie und für uns. Erfahrung mit einer Produktions-KI-SDK-Schicht (z.B. Vercel AI SDK), Streaming-Architekturen, mehreren Anbietern (OpenAI, Anthropic, Gemini, Mistral). Evaluierungspipelines und Feedbackschleifen als eigenes Thema, nicht als Nebenprodukt. Nutzung von Abruf, wo es seinen Platz verdient – und Erkennen, wann Sie es nicht benötigen. Erfahrung mit Kunden oder Fachabteilungen im deutschen Mittelstand. Sicherheit in Fragen zu GDPR und EU-Hosting. Workflow-Orchestrierung mit n8n oder etwas Vergleichbarem.

Nicht erforderlich: Ein Abschluss in Informatik. Modelltraining, Feinabstimmung, klassische maschinelles Lernen. MLOps, Kubernetes, Datenengineering-Pipelines. Zehn Jahre Erfahrung mit einem drei Jahre alten Framework ;) Was uns mehr als ein perfekter Lebenslauf wichtig ist: Wir suchen nicht nach der elegantesten Architektur, dem beeindruckendsten Stack oder der Lösung, die am besten demonstriert wird. Wir suchen die einfachste Lösung, die nachweislich den Anwendungsfall löst – und jemanden, der den Unterschied kennt und ihn auch dann hält, wenn die elaboriertere Option mehr Spaß machen würde. Wenn Ihre erste Frage zu einem neuen Projekt lautet, welche Infrastruktur wir einrichten sollten, passen wir wahrscheinlich nicht zusammen. Wenn Ihre erste Frage lautet, was wir tatsächlich messen wollen: dann passen wir.

Sie passen hier besonders gut, wenn … Sie lieber etwas nachweislich Nützliches in zwei Wochen ausliefern als etwas Vollständiges in drei Monaten. Sie können sich in eine Fehlerquote vertiefen, bis Sie verstehen, woher sie kommt. Sie sagen, wenn ein Anwendungsfall es nicht wert ist, auch wenn er bereits verkauft klingt.

Vorteile: Was Sie erwarten können: Lieferung, die nicht bei Folien endet. Sie sehen Projekte von der Entdeckung bis zum Go-Live und bauen die Lösung selbst. Eigenverantwortung ohne Mikromanagement. Klare Ziele, keine Schritt-für-Schritt-Anleitungen. Gute Argumente ändern Entscheidungen, unabhängig davon, wer sie trifft. Sichtbare Auswirkungen. Kurze Wege, flache Strukturen, keine Genehmigungsschleifen um der Form willen. Innerhalb weniger Wochen sehen Sie, ob etwas funktioniert. Echte KI-Native werden. Agenten in der Produktion, nicht in einem Notizbuch – und bewerten, was tatsächlich hält, auf Systemen mit echten Benutzern. Vollständiger KI-Stack: Claude, OpenAI, Cursor, Claude Code, n8n und alles andere, was Ihr Projekt benötigt. Remote, aber nicht anonym. Unser Team arbeitet größtenteils aus Berlin, mit einem Teamtag jeden Mittwoch im EDGE Coworking am Hauptbahnhof. Ansonsten flexibles Remote-Arbeiten, mit gelegentlichen Terminen bei Kunden.

Wer wir sind: Lucid Labs ist ein KI-erster Studio für angewandte KI im deutschen Mittelstand. Wir beraten Unternehmen nicht nur, welche Anwendungsfälle sie auswählen sollen – wir bauen und betreiben die Lösungen, die in ihren Prozessen laufen. Gründer Marek Janetzke hat zuvor Flightright mit aufgebaut und blieb bis zum Exit dabei.

Mit wem Sie arbeiten werden: Sie werden nicht der einzige KI-Ingenieur hier sein. Sie arbeiten neben Kollegen, die die gleichen Systeme bauen wie Sie – Menschen, um ein schwieriges Problem durchzudenken, um einen Ansatz vor der Verpflichtung überprüfen zu lassen und um eine Lösung auszuleihen, wenn jemand sie bereits einmal gelöst hat. Technische Entscheidungen werden diskutiert, nicht diktiert.

Unser Stack: Frontend: Next.js (App Router), React, TypeScript, Tailwind CSS, shadcn/ui. KI: z.B. Vercel AI SDK, anbieterflexibel (OpenAI, Anthropic, Gemini, Mistral), Claude Skills, agentische Workflows, n8n. Daten & Bereitstellung: PostgreSQL mit Drizzle ORM, Docker, Vercel, Elestio auf EU-Servern. Im Alltag: Cursor, Claude Code, pnpm, Node.js, GitHub Actions.

Wie man sich bewirbt: Bitte senden Sie uns zwei Dinge: Ihren Lebenslauf und ein Beispiel, in maximal zwei Absätzen: eine KI-Lösung, die Sie entwickelt haben, die echte Benutzer verwendet haben. Beschreiben Sie kurz: was Sie verwendet haben, um zu entscheiden, dass das Ergebnis gut genug war, wie Sie es gemessen haben, was beim ersten Versuch nicht funktionierte und warum, was Sie als Ergebnis geändert haben. Bitte keine vertraulichen Informationen von früheren Arbeitgebern oder Kunden einfügen. Der zweite Teil ist uns wichtiger als der erste. Sie benötigen kein Anschreiben. Wir freuen uns darauf, von Ihnen zu hören.